Archivserver der Deutschen Nationalbibliothek
Archivserver der Deutschen Nationalbibliothek
Archivserver der Deutschen Nationalbibliothek
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Material und Methoden<br />
Schritt zufälligen Effekten Rechnung getragen wird, die sich in Folge <strong>der</strong><br />
Korrelation zwischen Genexpressionsmessungen beim selben Individuum<br />
ergeben. Daher wurde ein Zufallsfaktor integriert und Chargen-Effekte<br />
berücksichtigt, da nicht alle Arrays eines Patienten zu den<br />
unterschiedlichen, untersuchten Zeitpunkten gleichzeitig hybridisiert und<br />
gescannt werden konnten.<br />
c) Zeitreihenanalyse und Identifikation von koexprimierten Genen<br />
Es wurde die robuste, nicht-parametrische Version des G-Testes nach<br />
Fisher verwendet [1]. Eingebettet in das R-Paket „GeneCycle“ gelang die<br />
Identifikation von statistisch signifikanten Periodizitäten in den<br />
Genexpressions-Daten. Zusätzlich wurde ein Algorithmus nach Owen [57]<br />
benutzt, <strong>der</strong>, integriert in das „geneRecommen<strong>der</strong>“ R-Paket, alle Gene im<br />
Datensatz ermittelt, die sich ähnlich verhalten wie ein im Programm<br />
enthaltener Vergleichsabfragesatz. Die daraus resultierende Liste an<br />
Genen, welche entsprechend ihrer Stärke an Übereinstimmung mit <strong>der</strong><br />
Vergleichsdatenbank geordnet wurden, erlaubte die Identifikation von<br />
Genen, die sich in ähnlichem Maße verän<strong>der</strong>ten zwischen den drei<br />
Zeitpunkten. Zur Identifikation von koexprimierten Gengruppen wurde die<br />
„Weighted Gene Co-expression Network“ Analyse von Systems Biology<br />
verwendet [86, 33, 43].<br />
Kurz gesagt, es wurde eine Ähnlichkeitsmatrix<br />
berechnet, basierend auf den absoluten Werten <strong>der</strong> Spearman-Rangfolge<br />
<strong>der</strong> Korrelationskoeffizienten <strong>der</strong> Expressionsprofile aller Genpaare.<br />
Anschließend wurde eine Näherungsfunktion verwendet, um die<br />
Ähnlichkeitsmatrix in eine symmetrische n × n Näherungsmatrix<br />
umzuformen, bei <strong>der</strong> A=[aij] zwischen den Genexpressionen<br />
x i und<br />
x<br />
j<br />
die<br />
Verbindungsstärke (Annäherung) repräsentiert unter <strong>der</strong> Verwendung <strong>der</strong><br />
folgenden Funktion:<br />
a<br />
ij<br />
= Power(<br />
s , β ) ≡<br />
ij<br />
s<br />
ij<br />
β<br />
mit s = cor x , x ) . Das<br />
ij<br />
(<br />
i j<br />
skalenfreie Topologie-Kriterium wurde benutzt, um die den Potenz-<br />
Parameter entsprechend den Daten auszuwählen. Diese Netzwerk-<br />
Konstruktion wurde bei allen Proben angewandt (beta = 6) unter<br />
Berücksichtigung <strong>der</strong> 5000 meistverbundenen Genen im Datensatz. Zur<br />
Seite 24